人工智能正以惊人的速度融入我们的语言生活，看似只是帮我们省事、提升效率，实际上却悄悄改变了语言的演变路径。语言曾是人类思想、文化与自由的载体，而今，我们正面临一个风险：不是被剥夺了表达的权力，而是在便利面前，而语言的传播是一个复杂、不可预测的过程：我们阅读、聆听、模仿、交谈、写作、创造新的语言，这些最终会变成标准语言。如果 AI 被精细地指令去以某种方式传达思想——通过细微的语气差异、同义词选择、

FLUX.1 (2024)：Black Forest Lab 推出了FLUX.1，这是一个先进的扩散模型，用于AI图像生成，具有出色的速度、质量和对提示的响应能力。1969年，XOR问题暴露了感知器（单层神经网络）的局限性。•GPT (2018)：生成式预训练Transformer（Generative Pre-trained Transformer），由OpenAI提出，是一个自回归的、仅使用解

研究表明，人们更愿意相信一个头发花白、拥有博士学位的专家，而不是一个匿名的信息源，即使两者讲述的内容完全相同。• Goel等人：在一项涉及 1690 名美国参与者的实验中，研究人员探讨了人们是否更信任AI生成的信息，而非人类来源的信息。因为信任不仅仅是一个理性过程，它是情感化的、社交性的、文化嵌入式的。最近的两项研究——一项由Costello、Pennycook和Rand发表在《Science》期

OpenAI最初公开了ChatGPT-2的语言模型（LLM）源代码，但在随后的ChatGPT-3及之后的版本中停止了开源，逐渐背离了最初的开放承诺，导致公司内部核心成员的相继离开。唯一的区别是，除了将已生成的单词输入解码器外，还将编码器输出的德语句子作为额外输入。标准差是一个统计量，用于描述数值的分布范围（在一组数字中），例如，如果所有值都相同，则标准差为零。基本上，你在将一个块层层堆叠，前一个块

利用AI的威力其实并不复杂，不像那些卖认证的“AI大咖”讲的那样——通常只需几分钟的针对性培训。就算用的，也只是用来做些总结之类的小活儿。他们也可以帮助创建适合的提示语，分享他们的AI操作流程，并提供一些技巧，帮助团队未来的故障排查和评估。随着ChatGPT的崛起，AI已经不再只是“锦上添花”的小玩意儿，而是成了知识工作者的“生产力神器”。问题的关键——也是理解我们AI生产力“悖论”的重点——在于

研究表明，人们更愿意相信一个头发花白、拥有博士学位的专家，而不是一个匿名的信息源，即使两者讲述的内容完全相同。• Goel等人：在一项涉及 1690 名美国参与者的实验中，研究人员探讨了人们是否更信任AI生成的信息，而非人类来源的信息。因为信任不仅仅是一个理性过程，它是情感化的、社交性的、文化嵌入式的。最近的两项研究——一项由Costello、Pennycook和Rand发表在《Science》期

人工智能的讨论不能只有一片叫好的声音，一味的追捧反而可能隐藏巨大的危机。因此，必须有反对的声音，且越强烈越能激发深入思考。本篇文章的作者就以犀利的视角，漂亮地打响了反对人工智能应用的第一枪。

此外，现在有许多利用 NLP 的服务来创建应用程序，比如聊天机器人（它们属于应用，属于Agent应用开发），但这些内容不在知识的范围之内——我们将专注于 NLP 的基础知识（实现原理），以及如何进行语言建模，使您可以训练神经网络,教导电脑去理解和分类文本。在 NLP 的情况下，您的训练数据中可能包含成千上万个单词，出现在不同的上下文中，但您不可能在所有的上下文中涵盖所有可能的单词。你可能需要过滤掉

，这对提升效果非常有帮助。细心的读者可能会注意到，我们无法直接输入“Humpty Dumpty”，因为如图所示，输入层只有12个神经元，对应于“humpty dumpt”中的每个字符（包括空格），并没有多余的神经元留给字母‘y’输入了。如果我们给神经网络输入“Humpty Dumpt”这个字符串，然后让它输出一个字符，并将其解释为“网络预测到的下一个字符”，我们可以通过训练，确保网络在收到这样的字

现在，有了 LLMs，只需将原始 HTML 提供给 AI，它就能提取数据，比如“获取植物的名称、描述和养护要点”，AI 会返回一个组织良好的结果，节省了大量时间和精力。然而，这一过程复杂且耗时，特别是当网站设计变动时，爬虫需要不断修复和更新。这些任务需具备规划和判断，目前已有一些工具在开发中，如 Multion，它能制作出独立完成复杂任务的代理，比如找到七月从纽约到墨尔本的最便宜航班并预订。今天，